Yapay zekâ ve veri mühendisliği, üniversitelerde 2020’li yıllardan itibaren açılan; makine öğrenmesi modellerinin ihtiyaç duyduğu veri altyapısını kurmayı, büyük veri kümelerini işlemeyi ve bu veriyi yapay zekâ sistemlerine besleyecek boru hatlarını (pipeline) tasarlamayı öğreten bir mühendislik dalıdır. Bölüm, klasik bilgisayar mühendisliğinden farklı olarak müfredatının önemli bir kısmını istatistik, veri yapıları ve büyük veri işleme derslerine ayırır. Bu yazıda İTÜ’nün resmi ders planı üzerinden bölümün gerçekte hangi dersleri içerdiğini ve mezunların hangi pozisyonlarda çalıştığını somut biçimde ele alıyoruz.
Yapay Zekâ ve Veri Mühendisliği Bölümü Neyi Öğretir?
İstanbul Teknik Üniversitesi’nin resmi ders planı sayfasına göre program %100 İngilizce eğitim veriyor, 128 kredi ve 241 AKTS’den oluşuyor. Ders planı, veri mühendisliğinin iki temel sacayağını net biçimde gösteriyor: istatistiksel/matematiksel temel ve yazılım/veri altyapısı becerisi.
1-2. Yarıyıl: Matematiksel ve Programlama Temeli
Programın ilk yılı “Introduction to Information Systems”, “Intr. to AI & Data Eng & Ethics”, “Linear Algebra and Applications” gibi derslerle başlıyor; ikinci yarıyılda ise “Introduction to Programming for Data Science” dersiyle programlama temeli veriliyor. Bu sıralama, bölümün önce matematiksel altyapıyı, sonra veri odaklı programlamayı öğretme mantığını yansıtıyor.
3-4. Yarıyıl: Veri Bilimi ve Yapay Zekânın Temelleri
Üçüncü yarıyılda “Intro to Data Science and Eng.”, “Probability and Statistics” ve “Data Structures” dersleri; dördüncü yarıyılda ise “Learning From Data”, “Optimization for Data Science” ve “Fund. of Artificial Intelligence” dersleri yer alıyor. Bu aşamada öğrenci artık ham veriyi işlemeye ve temel öğrenme algoritmalarını uygulamaya başlıyor.
5-6. Yarıyıl: Derin Öğrenme ve Uygulamalı Veri Mühendisliği
Beşinci yarıyılda “Deep Learning” ve “Data Mining” dersleri; altıncı yarıyılda ise haftada 4 saat laboratuvar içeren “Applied Data Engineering” dersi ile “Natural Language Processing” ve “Computer Vision” dersleri veriliyor. “Applied Data Engineering” dersinin laboratuvar yoğunluğu, bölümün teorik bilgiyi gerçek veri boru hattı kurma pratiğine dönüştürme hedefini gösteriyor.
7-8. Yarıyıl: Büyük Veri ve Bitirme Projesi
Son iki yarıyılda “Big Data Analytics” dersi ile “AI & Data Engineering Design I & II” adlı kapsamlı bitirme projeleri yer alıyor. Bu proje dersleri, öğrencinin dört yıl boyunca öğrendiği veri toplama, temizleme, modelleme ve dağıtık işleme becerilerini uçtan uca bir projede birleştirmesini hedefliyor.
Veri Mühendisliği ile Veri Bilimi Arasındaki Fark Nedir?
Bu iki alan sık sık karıştırılıyor; aşağıdaki tablo, görev odaklarını ve tipik çıktılarını karşılaştırarak farkı somutlaştırıyor.
| Boyut | Veri Mühendisliği | Veri Bilimi |
|---|---|---|
| Ana odak | Veri boru hattı kurma, depolama, işleme altyapısı | Veriden içgörü çıkarma, model geliştirme |
| Tipik çıktı | Güvenilir, ölçeklenebilir veri akışı | Tahmin modeli, istatistiksel analiz raporu |
| Kullanılan araç türü | ETL/ELT araçları, dağıtık işleme sistemleri, veri ambarları | İstatistik kütüphaneleri, makine öğrenmesi çerçeveleri |
| Başarı ölçütü | Verinin doğruluğu, güncelliği ve erişilebilirliği | Modelin tahmin doğruluğu, iş kararına katkısı |
| İTÜ müfredatındaki karşılığı | Applied Data Engineering, Big Data Analytics | Learning From Data, Deep Learning, Data Mining |
Pratikte bir veri mühendisi, veri bilimcinin modelini besleyecek temiz ve güvenilir veri akışını hazırlar; ikisi aynı ekipte tamamlayıcı rol üstlenir, biri diğerinin yerine geçmez. Küçük ölçekli bir ekipte bazen tek bir kişi her iki rolü de üstlenebilir, ancak orta ve büyük ölçekli şirketlerde bu iki görev genellikle ayrı pozisyonlar olarak açılır.
Mezunlar Hangi Pozisyonlarda ve Sektörlerde Çalışır?
Bölüm müfredatının kapsadığı beceri seti, mezunları birkaç farklı iş profiline yönlendiriyor:
- Veri mühendisi: Büyük veri boru hatları kurma, veri ambarı ve göl (data lake) mimarisi tasarlama.
- Makine öğrenmesi mühendisi: Modeli üretime alma, model performansını izleme ve yeniden eğitim süreçlerini otomatikleştirme.
- Veri analisti / veri bilimci: İş birimlerine yönelik tahmin modelleri ve raporlama sistemleri geliştirme.
- Yapay zekâ araştırma mühendisi: Özellikle derin öğrenme ve NLP derslerinde güçlü olan mezunlar için Ar-Ge odaklı pozisyonlar.
Sektörel dağılımda bankacılık/fintech, e-ticaret, telekomünikasyon ve teknoloji şirketleri öne çıkıyor; bu sektörlerin ortak özelliği yüksek hacimli, sürekli akan veri kaynaklarına sahip olmaları ve bu veriyi gerçek zamanlıya yakın işlemeye ihtiyaç duymaları.
Hangi Teknik Beceriler Öne Çıkıyor?
Müfredattaki ders içerikleri ile sektördeki iş ilanlarını karşılaştırdığınızda, aşağıdaki beceri grupları tekrar tekrar karşınıza çıkar:
- Programlama: Python ve SQL, veri işleme görevlerinin neredeyse tamamında temel araçlardır.
- Dağıtık veri işleme: Büyük veri kümelerini tek makinede değil, kümeler (cluster) üzerinde paralel işleme mantığını anlamak.
- Veri modelleme: İlişkisel ve ilişkisel olmayan (NoSQL) veri tabanı tasarımı arasında doğru seçim yapabilmek.
- İstatistik ve olasılık: Modelin ürettiği sonucun ne zaman güvenilir, ne zaman şüpheli olduğunu yorumlayabilmek.
- MLOps temelleri: Bir modeli tek seferlik bir defter (notebook) çalıştırmasından çıkarıp sürekli izlenen bir üretim sistemine dönüştürme.
Bu beceri setinin bir kısmı derste doğrudan öğretiliyor, bir kısmı ise “Applied Data Engineering” gibi laboratuvar derslerinde proje bazlı olarak pekiştiriliyor. Örneğin bir öğrenci, dördüncü yarıyılda “Optimization for Data Science” dersinde öğrendiği optimizasyon mantığını, altıncı yarıyılda “Applied Data Engineering” laboratuvarında gerçek bir veri kümesi üzerinde uygulamaya dönüştürüyor; bu kademeli yapı, teorik bilginin soyut kalmasını önlemeyi hedefliyor.
Veri Mühendisliğine Nasıl Geçiş Yapılır? (Bilgisayar Mühendisliğinden Gelenler İçin)
Bölümü doğrudan okumamış ama alana geçiş yapmak isteyen bilgisayar mühendisliği veya istatistik mezunları için tipik yol haritası şöyle özetlenebilir:
- SQL ve ilişkisel veri tabanı tasarımını sağlam biçimde öğrenmek.
- Python ile veri işleme kütüphanelerini (örneğin pandas benzeri araçlar) uygulamalı projelerde kullanmak.
- Dağıtık veri işleme kavramlarını (kümeleme, paralel işleme mantığı) küçük ölçekli bir projede denemek.
- Bir bulut sağlayıcısının veri ambarı/veri gölü hizmetlerinden en az birinde uçtan uca bir proje tamamlamak.
- Portföy projesini, gerçek bir veri kaynağından (örneğin açık kamu verisi) başlayıp temizlenmiş, sorgulanabilir bir çıktıya kadar belgelemek.
Bu adımların hiçbiri tek başına bir işe alım süreci için yeterli sayılmamalı; amaç, işe alım sürecinde gösterilebilecek somut, uçtan uca bir proje deneyimi biriktirmektir. Özellikle beşinci adımdaki portföy projesi, mülakatlarda “bana bir proje anlat” sorusuna somut ve doğrulanabilir bir yanıt vermenizi sağlar; bu da yalnızca sertifika listesi sunmaktan çok daha güçlü bir sinyaldir.
Bölüm Kimler İçin Uygun? Zorluk Seviyesi Üzerine Notlar
Müfredatın ilk iki yılında yoğun matematik (lineer cebir, olasılık ve istatistik) ve programlama dersleri bulunduğundan, sayısal derslerde zorlanan öğrenciler için program talepkâr olabilir. Bölümü değerlendirirken şu soruları kendinize sormanız faydalı olur:
- Lineer cebir ve olasılık gibi derslerde düzenli çalışmaya istekli misiniz? Program bu dersleri üçüncü yarıyıla kadar temel olarak kullanıyor.
- Uzun süreli, laboratuvar ağırlıklı proje çalışmasından (örneğin haftada 4 saatlik “Applied Data Engineering” laboratuvarı gibi) rahatsız olur musunuz?
- İngilizce eğitim dilinde (İTÜ örneğinde %100 İngilizce) akademik içerik takip etmeye hazır mısınız?
Bu sorulara verdiğiniz yanıtlar, bölümün sizin çalışma tarzınıza uygun olup olmadığı konusunda ilk fikri verir; nihai karar öncesinde ilgilendiğiniz üniversitenin tanıtım günlerinde mevcut öğrencilerle görüşmek de faydalı bir adımdır.
Sektörel Talep Neden Artıyor?
Şirketlerin yapay zekâ araçlarını iş süreçlerine dahil etme oranındaki artış, bu araçları besleyecek düzenli ve güvenilir veri altyapısına duyulan ihtiyacı da beraberinde getiriyor. Türkiye’deki girişimlerin yapay zekâ kullanım eğilimine dair güncel TÜİK verilerine bu yazımızdan ulaşabilirsiniz. Bir şirket yapay zekâ destekli bir öneri sistemi veya otomatik raporlama aracı kurmak istediğinde, önce elindeki verinin dağınık, tutarsız veya güncel olmayan biçimde tutulduğunu fark eder; veri mühendisliği ekibinin ilk işi genellikle bu dağınık veriyi tek, güvenilir bir kaynağa dönüştürmektir. Bu nedenle veri mühendisi pozisyonları, doğrudan yapay zekâ modeli geliştiren ekiplerden önce, veri altyapısını olgunlaştırma aşamasında devreye giriyor.
Yaygın Yanlış Anlaşılmalar
Alana yeni girenlerin sık düştüğü birkaç yanlış varsayım var:
- “Veri mühendisliği sadece veri tabanı yönetimidir” yanlışı: Gerçekte iş, farklı kaynaklardan gelen veriyi toplama, dönüştürme ve güvenilir biçimde teslim etme sürecinin tamamını kapsar; veri tabanı yönetimi bunun yalnızca bir parçasıdır.
- “Model kurmak veri mühendisinin işidir” yanlışı: Müfredatta model kurma dersleri (Deep Learning, Learning From Data) yer alsa da üretimde model geliştirme sorumluluğu genellikle veri bilimci veya makine öğrenmesi mühendisiyle paylaşılır.
- “Bölüm mezunu olmadan bu alanda çalışılamaz” yanlışı: Bilgisayar mühendisliği, istatistik veya matematik gibi ilişkili bölümlerden mezun olup sonradan veri mühendisliğine yönelen çok sayıda profesyonel bulunuyor.
Sonuç: Bölümü Seçmeden veya Alana Geçmeden Önce Ne Kontrol Edilmeli?
Yapay zekâ ve veri mühendisliği, matematiksel temel ile yazılım mühendisliği pratiğini bir arada isteyen, laboratuvar yoğun bir programdır. İTÜ örneğinde görüldüğü gibi müfredat, istatistik ve lineer cebirden başlayıp büyük veri analitiği ve bitirme projesine kadar kademeli olarak ilerliyor. Bölümü seçmeden önce üniversitenin güncel ders planını, staj imkânlarını ve laboratuvar altyapısını resmi kaynaktan incelemek; alana sonradan geçiş yapmayı düşünenlerin ise SQL ve Python temelinden başlayarak somut bir proje portföyü oluşturması, gerçekçi ve ölçülebilir bir ilk adım olur. Yapay zekânın günlük iş süreçlerine etkisi hakkında daha geniş bir bakış için yapay zekâ işleri nasıl değiştiriyor yazımıza, öğrenme sırasını planlamak için ise yapay zekâ öğrenme yol haritası içeriğimize bakabilirsiniz.
Sık Sorulan Sorular
Yapay zekâ ve veri mühendisliği bölümü hangi derslerle başlıyor?
İTÜ’nün resmi ders planına göre program, ilk yarıyılda bilgi sistemlerine giriş, yapay zekâ ve veri mühendisliği etiği, lineer cebir gibi derslerle başlıyor; ikinci yarıyılda veri bilimi için programlamaya giriş dersi ekleniyor.
Veri mühendisi ile veri bilimci aynı iş mi yapar?
Hayır. Veri mühendisi, verinin güvenilir biçimde toplanıp işlenmesini sağlayan altyapıyı kurar; veri bilimci ise bu veriyi kullanarak tahmin modelleri ve analizler üretir. İki rol genellikle aynı ekipte birbirini tamamlar.
Bu bölümden mezun olmadan veri mühendisi olunabilir mi?
Evet, bilgisayar mühendisliği, istatistik veya matematik gibi ilişkili alanlardan mezun olup SQL, Python ve dağıtık veri işleme becerilerini sonradan geliştirerek alana geçiş yapan çok sayıda profesyonel bulunuyor.
Bölümde staj veya bitirme projesi zorunlu mu?
İTÜ örneğinde son iki yarıyılda yer alan “AI & Data Engineering Design I & II” dersleri kapsamlı bir bitirme projesini içeriyor; staj koşulları üniversiteden üniversiteye farklılık gösterebileceğinden ilgilenilen üniversitenin güncel yönetmeliğinden teyit edilmesi gerekir.
Bu alanda çalışmak için hangi programlama dili en çok kullanılıyor?
Sektör uygulamalarında ve müfredatta veri işleme görevlerinin büyük kısmında Python öne çıkıyor; buna ek olarak veri tabanı sorgulama için SQL, alanın neredeyse tüm pozisyonlarında temel bir beceri olarak aranıyor.
